Daily Arxiv

This page organizes papers related to artificial intelligence published around the world.
This page is summarized using Google Gemini and is operated on a non-profit basis.
The copyright of the paper belongs to the author and the relevant institution. When sharing, simply cite the source.

Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty

Created by
  • Haebom
Category
Empty

저자

Krishang Sharma

개요

본 연구는 항공 우주 예지 분야에서 중요한 과제인 잔여 수명(RUL) 예측과 불확실성 정량화를 위한 새로운 불확실성 인식 딥러닝 프레임워크를 제시한다. 이 프레임워크는 확률적 모델링을 통해 aleatoric 불확실성을 직접 학습하며, multi-scale Inception 블록, 양방향 LSTM, 이중 레벨 어텐션 메커니즘을 통합한 계층적 아키텍처를 사용한다. 베이지안 출력 레이어는 평균 RUL과 분산을 예측하여 데이터 내재적 불확실성을 학습한다. NASA CMAPSS 벤치마크(FD001-FD004)에 대한 실험 결과, 경쟁력 있는 전체 성능과 특히 위험 관리 예측에서 25-40% 향상을 보여주었으며, 93.5%에서 95.2%의 커버리지를 가진 잘 보정된 95% 신뢰 구간을 제공한다.

시사점, 한계점

•
시사점:
◦
Aleatoric 불확실성을 직접 학습하는 새로운 접근 방식 제시.
◦
CMAPSS 벤치마크에서 기존 방식 대비 향상된 성능, 특히 임계 구역에서 획기적인 성과 달성.
◦
잘 보정된 신뢰 구간 제공으로 위험 기반 유지보수 스케줄링 가능성 제시.
◦
항공 우주 예지 분야에서 안전 관련 예측의 새로운 기준 제시.
•
한계점:
◦
논문에서 한계점에 대한 직접적인 언급은 없음.
👍
Made with Slashpage